一种MIMO-OFDM水声信道估计方法技术

本发明专利技术公开了一种基于改进YOLO网络的MIMO

【技术实现步骤摘要】
一种MIMO
‑
OFDM水声信道估计方法


[0001]本专利技术涉及一种MIMO
‑
OFDM水声信道估计方法，属于水声通信信道估计


技术介绍

[0002]水声信道传播损耗严重、频谱资源稀缺、频率选择性严重、通信可靠性差，而MIMO与OFDM技术相结合，在应对水声信道的多径干扰、频率选择性衰落以及带宽有限等方面提供了新的途径，显著提高通信系统性能。信号从发射端到接收端，经历水声信道会产生严重的畸变与衰减，使得接收方难以获取有效信息，同时UWA(Underwater Acoustic)浮标站若缺少信道状态信息则难以高效设计后续处理模块以实现自适应通信，提高通信系统性能；且水声信道具有强时变性、高动态性，海面的涌动会带来信道散射体、多径数等信道参数的改变，所以要实现稳健可靠、智能化的MIMO
‑
OFDM水声通信，准确、及时的信道估计对MIMO
‑
OFDM系统的性能至关重要；其次通常水声信道估计文献仅考虑估计结果对于水下接收机的用处，在水下接收机端进行下行信道估计，然而水下接收机端往往资源受限、供电困难，同时多水声换能器组成的UWA浮标站同样需要下行信道状态信息以实现预编码等后续操作，实现自适应高效通信，故可将计算及其他处理消耗转移到能源相对供应充足的UWA浮标站，而后共享信道估计结果；另外，常见的水声信道估计算法如最小二乘法(LS)、最小均方误差法(MMSE)等所得结果为信道矩阵，在MIMO
‑
OFDM技术下以高维矩阵存在，UWA浮标站在下行链路发送估计结果时会带来链路高负担问题。
[0003]随着GPU在大规模并行计算的广泛应用，以及模式识别、计算机视觉、神经网络的飞速发展，深度学习算法逐渐走向前沿，可提取到更高层次的、抽象的特征，对特征的表达更加准确高效，且泛化性好、可端到端训练。因此利用深度学习进行MIMO水声信道估计是可行且必要的，然而通常情况下，深度学习网络模型会带来庞大的训练参数量且已有的深度学习算法模型更适配于其对应的数据集，因此需建立特有数据集并改进原有深度学习模型以实现高精度MIMO水声信道估计。
[0004]经对现有文献检索发现，中国专利申请号为CN201911372155.7，名称为“一种基于深度学习的下行信道快速重建方法”，该方法利用频分双工模式下的空间互易性，在上行信道中估计出角度和时延这类与频率无关的参数，将其用作下行信道参数，有效降低了反馈链路负担与开销，同时基于深度学习算法的信道参数提取辅助完成下行信道快速重建，然而其并未充分利用数据集特点优化深度学习模型与策略，信道估计精度有待提高。因此，有必要研究在保证低链路负担前提下的水声通信高精度估计方法。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供一种基于改进YOLO网络的MIMO
‑
OFDM水声信道估计方法，调整时分双工系统下的信道估计策略，减小水下接收机能耗，并利用上行导频数据集特性，改进原有YOLO网络，提高信道估计精度。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]一种MIMO
‑
OFDM水声信道估计方法，包括如下步骤：
[0008]步骤一，利用MATLAB软件根据MIMO
‑
OFDM水声信道模型与信道参数生成上行导频信号，转换域后保存对应稀疏幅值图像与上行链路信道参数，所述上行链路信道参数包括多径数P以及各路径角度时延和上行链路增益
[0009]步骤二，自动标注图像，并根据标注框大小得到适用于此数据集的先验框，修改原YOLOv4网络的主干特征提取网络为MobileNet v3网络，用深度可分离卷积块代替普通卷积，提高原YOLOv4网络结构中三个特征层中浅层的权重，修改原有损失函数中定位损失相对于置信度损失与分类损失的权重并增加高度损失；
[0010]步骤三，将图像与对应标签送入改进后的YOLO模型进行训练，得到优良的图像检测模型与权重；
[0011]步骤四，在实际的时分双工系统信道估计情形下，水下接收机在上行链路发送导频信号到UWA浮标站；
[0012]步骤五，UWA浮标站对接收到的信号进行域转换，并生成相应的稀疏图像，利用改进后的YOLOv4网络提取上行链路信道参数，进而根据信道模型合成信道矩阵，以实现预编码操作，提高MIMO
‑
OFDM水声通信系统的整体性能；
[0013]步骤六，UWA浮标站根据实时海洋流速传感器的监测结果v
s
调控信道估计频率，将此结果以及提取出的信道参数一并在下行链路发送给水下接收机；
[0014]步骤七，水下接收机端利用UWA浮标站传来的信道参数重构出下行信道矩阵H
dl
以高效实现信道均衡、译码的后续操作，并根据信道估计频率调整下一次发送上行导频的时间。
[0015]本专利技术技术方案的进一步改进在于：步骤一具体方法如下：
[0016]第一步，产生水声换能器数M、子载波数N、多径数P以及各路径角度时延上行链路增益信噪比SNR等参数，在MATLAB程序里计算得出上行导频信号Y
ul
并进行域转换；
[0017]第二步，生成对应的导频幅值图并保存，同时保存对应设定的信道参数值，作为训练YOLO网络的角度
‑
时延域MIMO
‑
OFDM水声信道模型上行导频数据集。
[0018]本专利技术技术方案的进一步改进在于：步骤二具体方法如下：
[0019]第一步，根据已知设定的参数值，利用信道参数与导频图像最高幅值点的对应关系，计算出真实框的大小与中心点坐标，利用Python编写标签文件结构，生成对应的.xml标注文件，实现全自动目标标注，并在labelimg软件中验证标注框的正确性。相比于利用标注软件手动人工标注更加精确与高效，同时增强了数据集可扩充可修改的灵活性；
[0020]第二步，处理完的图像数据以.jpg格式保存，图像标注数据以.xml格式存放在标签文件夹下，.xml文件中主要包含图像的宽高与真实框坐标信息，将标注与图像结合，构成包含5040张图片与对应标注文件的角度
‑
时延域上行导频数据集,训练集、验证集和测试集相独立；
[0021]第三步，根据标注框大小得到适用于此数据集的先验框，大小分别为：[6
×
7，8
×
8，10
×
10，12
×
11，13
×
13，16
×
17，26
×
28，30
×
30，32
×
31]，修改原有YOLOv4网络的主干特征提取网络为MobileNet v3网络，用深度可分离卷积块代替普通卷积，提高原YOLOv4网
络结构中三个特征层中浅层的权重，修改原有损失函数中定位损失相对于置信度损失与分类损失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种MIMO
‑
OFDM水声信道估计方法，其特征在于：包括如下步骤：步骤一，利用MATLAB软件根据MIMO
‑
OFDM水声信道模型与信道参数生成上行导频信号，转换域后保存对应稀疏幅值图像与上行链路信道参数，所述上行链路信道参数包括多径数P以及各路径角度时延和上行链路增益步骤二，自动标注图像，并根据标注框大小得到适用于此数据集的先验框，修改原YOLOv4网络的主干特征提取网络为MobileNet v3网络，用深度可分离卷积块代替普通卷积，提高原YOLOv4网络结构中三个特征层中浅层的权重，修改原有损失函数中定位损失相对于置信度损失与分类损失的权重并增加高度损失；步骤三，将图像与对应标签送入改进后的YOLO模型进行训练，得到优良的图像检测模型与权重；步骤四，在实际的时分双工系统信道估计情形下，水下接收机在上行链路发送导频信号到UWA浮标站；步骤五，UWA浮标站对接收到的信号进行域转换，并生成相应的稀疏图像，利用改进后的YOLOv4网络提取上行链路信道参数，进而根据信道模型合成信道矩阵，以实现预编码操作，提高MIMO
‑
OFDM水声通信系统的整体性能；步骤六，UWA浮标站根据实时海洋流速传感器的监测结果v
s
调控信道估计频率，将此结果以及提取出的信道参数一并在下行链路发送给水下接收机；步骤七，水下接收机端利用UWA浮标站传来的信道参数重构出下行信道矩阵H
dl
以高效实现信道均衡、译码的后续操作，并根据信道估计频率调整下一次发送上行导频的时间。2.根据权利要求1所述的一种MIMO
‑
OFDM水声信道估计方法，其特征在于：所述步骤一的具体方法如下：第一步，产生水声换能器数M、子载波数N、多径数P以及各路径角度时延上行链路增益信噪比SNR参数，利用MATLAB计算得出上行导频信号Y
ul
并进行域转换；第二步，生成对应的导频幅值图并保存，同时保存对应设定的信道参数值，作为训练YOLO网络的角度
‑
时延域MIMO
‑
OFDM水声信道模型上行导频数据集。3.根据权利要求1所述的一种MIMO
‑
OFDM水声信道估计方法，其特征在于：所述步骤二的具体方法如下：第一步，根据已知设定的参数值，利用信道参数与导频图像最高幅值点的对应关系，计算出真实框的大小与中心点坐标，利用Python编写标签文件结构，生成对应的.xml标注文件，实现全自动目标标注，相比于利用标注软件手动人工标注更加精确与高效，同时增强了数据集可扩充可修改的灵活性；第二步，处理完的图像数据以.jpg格式保存，图像标注数据以.xml格式存放在标签文件夹下，.xml文件中主要包含图像的宽高与真实框坐标信息，将标注与图像结合，构成包含5040张图片与对应标注文件的角度
‑
时延域上行导频数据集，训练集、验证集和测试集相互独立；第三步，根据标注框大小得到适用于此数据集的先验框，大小分别为：[6
×
7，8
×
8，10
×
10，12
×
11，13
×
13，16
×<...

【专利技术属性】
技术研发人员：李鑫滨，张晓蕊，闫磊，韩松，
申请(专利权)人：燕山大学，
类型：发明
国别省市：